GA遗传算法概述.docx

遗传算法及其应用

摘要：遗传算法是一种基于生物自然选择和遗传机理的随机搜寻与优化方法。近年来,由于遗传算法在求解简单问题中的巨大潜力及其在工业工程领域的成功应用,受到了国内外学者的广泛关注。本文具体介绍了遗传算法的根本原理、主要特征以及主要应用。

关键词：遗传算法；选择算子；穿插算子；变异算子

GeneticAlgorithmandItsApplication

Abstract:Geneticalgorithmisarandomsearchandoptimizationmethodbasedonbiologicalnaturalselectionandgeneticmechanism.Inrecentyears,geneticalgorithmhasattractedmanydomesticandoverseasscholars”attentionforitspotentialinsolvingmanycomplexproblemsanditssuccessfulapplicationinthefieldofindustrialengineering,Thispaperintroducesthebasicprinciple,themaincharacteristicsandapplicationsofgeneticalgorithmindetail.

Keywords:geneticalgorithm,selectionoperator,crossoveroperator,mutationoperator

遗传算法进展历史

1967年，Holland的学生Bagley在其博士论文中首次提出“遗传算法”[1]。1970年，Cavicchio把遗传算法应用于模式识别[2]。Hollstien最早把遗传算法应用于函数优化[3]。20世纪70年月，Holland教授提出了遗传算法的根本定理—模式定理[4]，从而奠定了遗传算法的理论根底。1975年，Holland教授出版了第一本系统论述遗传算法和人工自适应系统的专著《AdaptationinNaturalandArtificialSystems》。同年，K.A.DeSong在博士论文《遗传自适应系统的行为分析》结合模式定理进展了大量的纯数值函数优化计算试验，建立了遗传算法的工作框架，为遗传算法及其应用打下了坚实的根底，他所得出的很多结论迄今仍具有普遍的指导意义。

遗传算法理论

遗传算法的根本思想

遗传算法借鉴Darwin的物竞天择、优胜劣汰、适者生存的自然选择和自然遗传的机理。与传统搜寻算法不同，遗传算法从一组随机产生的初始解〔称为群体〕开头。群体中的每个个体是问题的一个解，称为“染色体”，这些染色体在后代迭代过程中不断进化。遗传算法主要通过选择、穿插和变异来实现,其本质是一种求解问题的高效并行全局搜寻方法，它能在搜寻过程中自动猎取和积存有关搜寻空间的学问，并自适应地掌握搜寻过程以求得最优解。

遗传算法是一个迭代的过程，在每次迭代过程中都保存一组候选解，按解的好坏进展排序，依据约束条件从中选取一组解，利用遗传算法中的三个算子对其进展计算，产生一代的候选解，重复此过程直到满足某种收敛条件为止。

遗传算法的数学根底

定义1：模式是指种群个体基因串中的相像样板，它用来描述基因串中某些特征位一样的构造。在二进制编码中，模式是基于三个字符集〔0,1，*〕的字符串，符号*代表〔0,1〕中的任意字符。例如：10**1

定义2：模式H中确定位置的个数称为模式H的阶，记O(H)。例如O(10**1)=3。定义3：模式H中第一个确定位置和最终一个确定位置之间的距离称为模式H的定

义距，记作δ(H)。例如δ(10**1)=4。

模式阶用来反映不同模式间确定性的差异，模式阶数越高，模式确实定性就越高，所匹配的样本数就越少。在遗传操作中，即使阶数一样的模式，也会有不同的性质，而模式的

定义距就反映了这种性质的差异。

定义4：个体即要处理的对象、构造，也就是可行解。

定义5：适应度即可行解对应的适应函数的值，表现为个体对于环境的适应程度。模式定理：具有低阶、短定义距以及平均适应度高于种群平均适应度的模式在子代中

呈指数增长。模式定理保证了较优的模式〔遗传算法的较优解〕的数目呈指数增长，为解释遗传算法机理供给了数学根底。

群体的规模

群体规模确实定，依据模式定理，受遗传操作中选择算子的影响最大。一般来说，群体规模越大，群体中个体的多样性越高，算法陷入局部解的危急越小。

但群体